CN116703001A - 一种智能船舶的油耗预测方法、系统、智能船舶及介质 - Google Patents
一种智能船舶的油耗预测方法、系统、智能船舶及介质 Download PDFInfo
- Publication number
- CN116703001A CN116703001A CN202310757781.8A CN202310757781A CN116703001A CN 116703001 A CN116703001 A CN 116703001A CN 202310757781 A CN202310757781 A CN 202310757781A CN 116703001 A CN116703001 A CN 116703001A
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- working condition
- monitoring data
- fuel consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 118
- 239000000446 fuel Substances 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 86
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004138 cluster model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种智能船舶的油耗预测方法、系统、智能船舶及介质，所述方法包括以下步骤：获取船舶监控数据并根据船舶监控数据建立船舶工况聚类模型；获取实时船舶数据；将实时船舶数据输入船舶工况聚类模型，得到实时工况信息；根据实时工况信息与预置的油耗预测模型选取规则选取与实时工况信息对应的油耗预测模型；获取油耗影响数据；将油耗影响数据输入与实时工况信息对应的油耗预测模型，得到船舶未来油耗数据。本申请通过对船舶工况的识别，精细化建模，有效的提升了船舶预测模型的泛化能力，与船舶航行时复杂的工作环境相适应，有利于提高油耗预测的准确性。
Description
技术领域
本申请涉及智能船舶技术领域，尤其是涉及一种智能船舶的油耗预测方法、系统、智能船舶及介质。
背景技术
在2016年由中国船级社编制的《智能船舶规范》中，将智能船舶划分为六大功能模块，分别是：智能航行、智能船体、智能机舱、智能能效管理、智能货物管理以及智能集成平台，其中，智能船舶的智能能效管理在当前愈发注重节能环保的形势下显得尤为重要，是智能船舶领域的重要研究方向，提高智能船舶的能效，就意味着在智能船舶航行时能够使用更少的能源投入提供相同的能源服务。
在智能船舶的航行过程中对智能船舶的油耗进行合理规划，是提高智能船舶的能效的重要手段之一，而想要对智能船舶的油耗进行合理规划，就需要对智能船舶的未来油耗进行预测，准确掌握当前船舶的油耗以及未来船舶的油耗这些重要参数。
目前，智能船舶的油耗预测通常通过建立油耗预测模型的方式实现，但目前的油耗预测模型的建立只考虑的单一几个油耗影响变量，未对船舶航行过程中的具体航行状态进行分析，导致了现有的油耗模型的泛化能力差，难以与复杂的实际航行情况相适应，导致油耗预测的准确率不高。
发明内容
为了提升油耗预测模型的泛化能力以提高油耗预测的准确率，本申请提供一种智能船舶的油耗预测方法、系统、智能船舶及介质。
第一方面，本申请提供的一种智能船舶的油耗预测方法采用如下的技术方案：
一种智能船舶的油耗预测方法，所述方法包括以下步骤：
获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型；
获取实时船舶数据；
将所述实时船舶数据输入所述船舶工况聚类模型，得到实时工况信息；
根据所述实时工况信息与预置的油耗预测模型选取规则选取与所述实时工况信息对应的所述油耗预测模型；
获取油耗影响数据；
将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据。
通过采用上述技术方案，通过船舶在航行时的船舶监控数据建立船舶工况聚类模型，完成船舶可能存在的工况的聚类并建立船舶数据与工况之间的关联关系；通过船舶工况预测模型分析实时船舶数据，判断船舶当前工况，再根据船舶当前工况查询与船舶当前工况对应的油耗预测模型，通过对应的油耗预测模型对船舶未来油耗进行预测；通过对船舶工况的识别，精细化建模，有效的提升了船舶预测模型的泛化能力，与船舶航行时复杂的工作环境相适应，有利于提高油耗预测的准确性。
优选的，在获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型中，具体包括以下步骤：
对所述船舶监控数据进行预处理，得到工况序列；
提取所述工况序列的潜在特征；
通过聚类算法对所述工况序列进行聚类，将具有相似所述潜在特征的所述工况序列聚集为同一类别，得到所述工况序列的聚类分布，所述聚类分布中的一个聚类代表船舶航行过程中的一种工况；
根据所述聚类分布建立所述船舶工况聚类模型。
通过采用上述技术方案，通过数据预处理对船舶航行时的工况数据进行筛选与处理生成工况序列，基于聚类算法分析工况序列，得到船舶航行时的工况聚类，实现船舶航行时的工况的划分并建立工况聚类模型；使得在后续数据处理时，输入实时船舶数据后，通过船舶工况聚类模型即可识别出船舶当前工况，为油耗预测提供数据基础。
优选的，在对所述船舶监控数据进行预处理，得到工况序列中，具体包括以下步骤：所述船舶监控数据包括有多个类别，通过标准化公式对各类别所述船舶监控数据进行处理，得到各类别所述船舶监控数据的标准船舶监控数据；
根据所述标准船舶监控数据构建所述工况序列。
通过采用上述技术方案，第一方面，在船舶航行过程中，船舶监控数据是由多个传感器采集的，这就导致了各类船舶监控数据在时间层面上可能并不统一；第二方面，采集到的船舶监控数据可能出现缺失与异常；第三方面，各传感器采集到的船舶监控数据在数量级上存在差异。通过对船舶监控数据的预处理，将船舶监控数据转化为标准船舶监控数据，实现船舶监控数据在时间层面以及数量级上的统一，并有效的剔除了异常数据。
优选的，在通过标准化公式对各类别所述船舶监控数据进行处理，得到各类别所述船舶监控数据的标准船舶监控数据后，还包括以下步骤：
获取所述船舶监控数据中的船舶油耗率；
分别计算各类别标准船舶监控数据与所述船舶油耗率的相关性系数；
判断所述相关性系数是否位于预设的阈值区间；
若否，则剔除该类别的所述标准船舶监控数据。
通过采用上述技术方案，船舶在进行航行的过程中，会产生大量的船舶监控数据，大量的船舶监控数据在进行利用时，会出现数据冗余的情况，如果直接采用原始的数据进行船舶工况聚类模型的搭建，会增加建模的复杂度。通过分析船舶监控数据与船舶油耗率之间的相关性，查找最能影响船舶油耗率的船舶监控数据，采用与船舶油耗率最相关的若干个数据进行建模，在尽可能保证船舶工况聚类模型的有效性的前提下，降低建模的复杂度。
优选的，在通过标准化公式对各类别所述船舶监控数据进行处理，得到标准船舶监控数据中，所述标准化公式具体为：
其中，X′为所述标准船舶监控数据；
X为所述船舶监控数据；
μ为一类所述船舶监控数据的均值；
σ为一类所述船舶监控数据的方差。
通过采用上述技术方案，实现船舶监控数据在数量级层面的统一，便于后续对船舶监控数据的处理。
优选的，所述油耗预测模型为双注意力机制的循环神经网络。
通过采用上述技术方案，双注意力机制的循环神经网络基于编码器-解码器结构搭建，在编码器部分，引入输入注意力机制来对输入特征进行特征提取，为相关性较高的特征变量赋予更高的权重；在解码器部分，通过时间注意力机制为不同时间的隐藏状态赋予不同的权重，不断地更新文本向量，寻找时间相关性最大的隐藏层状态，编码器与解码器中的注意力层分别从空间和时间上来寻找特征表示和目标序列之间的相关性，为不同的特征变量赋予不同的权重。将油耗预测模型设置为双注意力机制的循环神经网络有利于更加准确的完成未来油耗的预测。
优选的，在将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据中，具体包括以下步骤：
根据所述油耗影响数据的数据类型将所述油耗影响数据划分为航行数据与环境数据；
将所述航行数据作为第一特征注意力输入所述油耗预测模型，将所述环境数据作为第二特征注意力输入所述油耗预测模型；
将所述船舶油耗率输入所述油耗预测模型，得到所述船舶未来油耗数据。
通过采用上述技术方案，将油耗影响数据根据数据类型划分为航行数据与环境数据，在双注意力机制的编码器中的注意力层引入数据类型的影响，避免在进行油耗预测时忽略了不同类型数据之间的语义特征，使得油耗预测模型能够更好的完成对未来油耗的预测，提升油耗预测的准确性。
第二方面，本申请提供的一种智能船舶的油耗预测系统采用如下的技术方案：
一种智能船舶的油耗预测系统，所述系统包括以下模块：
工况聚类模型搭建模块，用于获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型；
实时船舶数据获取模块，用于获取实时船舶数据；
实时工况信息生成模块，用于将所述实时船舶数据输入所述船舶工况聚类模型，得到实时工况信息；
油耗预测模型选取模块，用于根据所述实时工况信息与预置的油耗预测模型选取规则选取与所述实时工况信息对应的所述油耗预测模型；
油耗影响数据获取模块，用于获取油耗影响数据；
未来油耗数据预测模块，用于将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据。
第三方面，本申请提供一种智能船舶，采用如下技术方案：包括智能船舶船体、设置在所述智能船舶船体上的传感器组以及智能服务端，所述传感器组用于采集所述船舶监控数据，所述智能服务端包括存储器与处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种智能船舶的油耗预测方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种智能船舶的油耗预测方法程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过船舶监控数据完成船舶工况聚类模型的搭建，在船舶进行实际航行时，通过船舶工况聚类模型分析当前船舶航行工况，基于不同的船舶工况选取不同的油耗预测模型，有效的提升了船舶预测模型的泛化能力，与船舶航行时复杂的工作环境相适应，有利于提高油耗预测的准确性；
2.在建立船舶工况聚类模型时，先对船舶监控数据进行预处理，剔除船舶监控数据中的异常数据，并对船舶监控数据进行相关性分析，查找与船舶油耗率最相关的船舶监控数据，基于若干个相关性较高的船舶监控数据进行船舶工况聚类模型的搭建，有效的降低了模型搭建的复杂度；
3.油耗预测模型基于双注意力机制的循环神经网络，使得油耗预测模型能够更好的捕获数据在数据特征与时间序列上的关系，有效的提升了长时间段的油耗预测的准确率。
附图说明
图1是本申请实施例提供的一种智能船舶的油耗预测方法的方法流程图。
图2是本申请实施例提供的一种智能船舶的油耗预测方法中采用的油耗预测模型的整体方案图。
图3是本申请实施例提供的一种智能船舶的油耗预测系统的系统框图。
图4是本申请实施例提供的一种智能船舶的结构示意图。
图5是本申请实施例提供的一种智能船舶的智能服务端的结构示意图。
附图标记说明：301、工况聚类模型搭建模块；302、实时船舶数据获取模块；303、实时工况信息生成模块；304、油耗预测模型选取模块；305、油耗影响数据获取模块；306、未来油耗数据预测模块；400、智能船舶船体；401、传感器组；402、智能服务端；501、处理器；502、通信总线；503、用户接口；504、网络接口；505、存储器。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B这三种情况。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例公开一种智能船舶的油耗预测方法。
参照图1，一种智能船舶的油耗预测方法包括以下步骤：
S1：获取船舶监控数据并根据船舶监控数据建立船舶工况聚类模型；
具体的，通过船舶AIS系统以及船舶上设置的各类传感器获取船舶监控数据，船舶监控数据包括但不限于船舶在航行过程中的航行风速、水速、波高、风向、船舶尺寸、油耗率、主机功率、主机转速、航速、纵倾角等等与船舶航行相关的数据，这些船舶监控数据包括本次航行中产生的相关数据，还包括历史航行中产生的数据；将获取到的船舶监控数据进行汇总，按照数据类型放置在设置的船舶数据库内。
船舶监控数据包含有大量的船舶航行相关数据，在这些船舶监控数据中由于三方面原因，无法被直接利用。第一，船舶监控数据由设置在船舶各处的各类传感器采集，这些传感器在进行数据采集时，由于自身设置的原因，采集数据的频率并不相同，因此船舶监控数据在时间层面上存在差异；第二，由于进行船舶监控数据采集的传感器可能出现运行故障、传输故障等等客观问题，因此采集到的船舶监控数据可能出现数据异常与缺失；第三，由于各个传感器采集的船舶的数据信息的值域和单位不同，导致采集到的船舶监控数据在数量级上存在差异。
基于上述原因，在利用采集到的船舶监控数据前需要对船舶监控数据进行标准化处理，首先对于船舶监控数据在时间层面上的不统一与船舶监控数据中的缺失值与异常值这两方面问题，利用统计方法进行处理，对于船舶监控数据在数量级层面上的不统一的问题，利用标准化公式进行处理，标准化公式具体为：
其中，X′为标准船舶监控数据，X为船舶监控数据，μ为一类船舶监控数据的均值，σ为一类船舶监控数据的方差。
通过对船舶监控数据的预处理，得到各类船舶监控数据的标准船舶监控数据，从标准船舶监控数据中获取船舶油耗率，计算其余类别的标准船舶监控数据与船舶油耗率的相关系数，分析其余类别的标准船舶监控数据与船舶油耗率的相关性，其余类别的标准船舶监控数据与船舶油耗率的相关系数可以基于相关系数计算公式得出，相关系数计算公式具体为：
其中，为船舶油耗率与其他类别标准船舶监控数据之间的Person相关系数，X′油为船舶油耗率，X′其他为其余类别标准船舶监控数据，/>为船舶油耗率的标准差，为某一类别标准船舶监控数据的标准差，/>为船舶油耗率的均值，/>为某一类别标准船舶监控数据的均值。
完成其余类别标准船舶监控数据与船舶油耗率的相关系数的计算后，选取大于等于设定阈值的若干类别船舶标准监控数据进行利用，对于其余标准船舶监控数据则不进行利用；根据统计学原理，相关系数具有如下特性：
因此，设定阈值可以设定为0.8。
在本申请一实施例中，将船舶的航速、吃水、风速、水速、舵角、螺距以及油耗率作为与船舶油耗率极强相关的标准船舶监控数据进行利用，基于这些标准船舶数据的时间序列将这些标准船舶监控数据构建为工况序列，通过双向LSTM(长短期记忆网络)提取这些工况序列的潜在特征，将均方根误差(MSE)作为双向LSTM的损失函数；完成工况序列的潜在特征的提取后，基于聚类算法对这些潜在特征进行聚类，聚类算法可以采用Kmeans聚类，将若干个工况序列的潜在特征划分为多个聚类，得到船舶在航行中的工况聚类分布，船舶在航行中的工况聚类分布中的每一个聚类即代表船舶在航行过程中的一种工况；基于船舶在航行过程中的工况聚类分布搭建工况聚类模型，当向工况聚类模型中输入标准船舶监控数据时，即可自动识别出船舶当前工况，得到船舶工况信息。
S2：获取实时船舶数据并将实时船舶数据输入船舶工况聚类模型，得到实时工况信息；具体的，基于相关性分析，获取与船舶油耗率具有极强相关性关系的实时船舶数据，即舶的航速、吃水、风速、水速、舵角、螺距以及油耗率数据，将这些数据输入搭建好的船舶工况聚类模型，识别当前船舶工作在何种工况下，得到船舶的实时工况信息。
S3：根据实时工况信息与预置的油耗预测模型选取规则选取与实时工况信息对应的油耗预测模型；
具体的，在识别到当前船舶在航行时的工况后，根据预置的油耗预测模型选取规则选取与当前实时工况信息对应的油耗预测模型；油耗预测模型存在有多个，油耗预测模型的具体数量根据船舶可能存在的工况的数量决定，例如根据上述聚类分析时发现船舶在航行时共存在5种工况，则会存在与这5种工况对应的5个油耗预测模型；对于不同的油耗预测模型，在进行模型训练时采取不同的训练集，对特定油耗预测模型进行训练的训练集来自于特定工况聚类中的数据，例如与工况2对应的油耗预测模型，采用工况2聚类中的标准船舶监控数据进行训练，基于这种对应关系，可以建立起油耗预测模型选取规则。
请参考图2，多个油耗预测模型均为基于双注意力机制的循环神经网络模型，多个油耗预测模型的结构相同，均为编码器-解码器结构的经典神经网络结构，在双注意力机制的循环神经网络模型的编码器内包括有3个LSTM单元，用于对向编码器输入的数据进行处理，LSTM分别为状态LSTM1、环境LSTM2以及联合表示LSTM3，状态LSTM1与环境LSTM2并行，通过状态LSTM1与环境LSTM2的输出数据作为联合表示LSTM3的输入数据；状态LSTM1用于处理油耗影响数据中与船舶航行相关的航行数据，环境LSTM2用于处理油耗影响数据中与航行环境相关的航行数据，在状态LSTM1与环境LSTM2中分别引入特征注意力机制，以通过设置并行的状态LSTM1与环境LSTM2捕获不同数据类型的油耗影响数据对油耗的影响程度；状态LSTM1与环境LSTM2的输出数据作为联合表示LSTM3的输入数据，以更好的描述所有数据的隐含信息，同时学习到油耗影响数据对目标油耗的重要程度和油耗影响数据自身的时序依赖性；解码器内包括一个LSTM4，采用与经典的双注意力机制的循环神经网络相同的结构，可以自适应的选择联合表示以更好的捕获目标油耗序列的时间依赖性以及自身趋势性；在编码器与解码器之间引入时间注意力机制，捕获油耗影响数据在时间序列上的依赖性。
油耗预测模型中的各模块均采用MSE作为损失函数并基于梯度反向关系模型参数，当向油耗预测模型的编码器中输入油耗影响数据并向解码器中输入历史时刻油耗率后，油耗预测模型将输出在当前工况下船舶未来的油耗率，以实现船舶油耗预测。
S4：获取油耗影响数据；
具体的，从船舶监控数据中获取当前实时的船舶油耗影响数据，油耗影响数据可以是根据经验自主划定的，也可以是根据相关性分析得出的与船舶油耗率具备强相关关系的船舶监控数据，在本申请一实施例中，将船舶的航速、吃水、螺距、舵角、风速、水速以及历史时刻油耗率作为油耗影响数据。
S5：将油耗影响数据输入与实时工况信息对应的油耗预测模型，得到船舶未来油耗数据；
具体的，基于上述油耗预测模型的具体结构，根据数据类型将油耗影响数据划分为航行数据与环境数据，将航行数据与环境数据分别输入油耗预测模型编码器中的状态LSTM1与环境LSTM2，将船舶的历史时刻油耗率输入解码器中的LSTM4，完成全部数据的输入后，通过油耗预测模型预测船舶未来油耗率，实现船舶的油耗预测。
在本申请一实施例中，根据上文获取的油耗影响数据，将船舶的航速、吃水、螺距以及舵角作为航行数据，将船舶航行过程中的风速与水速作为环境数据，需要说明的是航行数据与环境数据都是基于时间序列的数据，即记录了船舶航行过程中每个时刻的对应数据类型的数据。
本申请实施例提供的一种智能船舶的油耗预测方法的实施原理为：
通过船舶在航行时的船舶监控数据建立船舶工况聚类模型，完成船舶可能存在的工况的聚类并建立船舶数据与工况之间的关联关系；通过船舶工况预测模型分析实时船舶数据，判断船舶当前工况，再根据船舶当前工况查询与船舶当前工况对应的油耗预测模型，通过对应的油耗预测模型对船舶未来油耗进行预测。
本申请实施例还公开一种智能船舶的油耗预测系统。
参照图3，一种智能船舶的油耗预测系统包括以下模块：
工况聚类模型搭建模块301，用于获取船舶监控数据并根据船舶监控数据建立船舶工况聚类模型；
实时船舶数据获取模块302，用于获取实时船舶数据；
实时工况信息生成模块303，用于将实时船舶数据输入船舶工况聚类模型，得到实时工况信息；
油耗预测模型选取模块304，用于根据实时工况信息与预置的油耗预测模型选取规则选取与实时工况信息对应的油耗预测模型；
油耗影响数据获取模块305，用于获取油耗影响数据；
未来油耗数据预测模块306，用于将油耗影响数据输入与实时工况信息对应的油耗预测模型，得到船舶未来油耗数据。
本申请实施例还公开一种智能船舶。
参考图4，一种智能船舶包括智能船舶船体400、传感器组401以及智能服务端402，传感器组401包括有多个各类传感器，分布于智能船舶船体400上的各处，其具体设置位置根据各类传感器的具体功能与设置要求决定；智能服务端402设置于智能船舶船体400内，具体可以设置在智能船舶的驾驶室处，智能服务端402可以是电脑、移动电脑或集群服务器；传感器组401中的各类传感器均与智能服务端402耦接，能够将监测并采集到的船舶监控数据发送至智能服务的进行处理。
在本申请一实施例中，传感器组401中至少包括：用于检测航行风速的风速仪、用于检测航行水速的超声波水速测量仪、用于检测船舶吃水的水深测量仪、用于检测航行航速的航速测量仪以及用于检测船舶油耗率的油耗仪。
请参见图5，为本申请实施例提供了一种智能服务端402的结构示意图。
如图5所示，所述智能服务端402可以包括：至少一个处理器501，至少一个网络接口504，用户接口503，存储器505，至少一个通信总线502。
其中，通信总线502用于实现这些组件之间的连接通信。
其中，用户接口503可以包括显示屏(Display)、摄像头(Camera)，可选用户接口503还可以包括标准的有线接口、无线接口。
其中，网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器505内的指令、程序、代码集或指令集，以及调用存储在存储器505内的数据，执行服务器的各种功能和处理数据。可选的，处理器501可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器501可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器501中，单独通过一块芯片进行实现。
其中，存储器505可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器505包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器505可选的还可以是至少一个位于远离前述处理器501的存储装置。如图5所示，作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及一种智能船舶的油耗预测方法的应用程序。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在图5所示的智能服务端402中，用户接口503主要用于为用户提供输入的接口，获取用户输入的数据；而处理器501可以用于调用存储器505中存储一种智能船舶的油耗预测方法的应用程序，当由一个或多个处理器501执行时，使得智能服务端402执行如上述实施例中一个或多个所述的方法。
一种智能服务端402可读存储介质，所述智能服务端402可读存储介质存储有指令。当由一个或多个处理器501执行时，使得智能服务端402执行如上述实施例中一个或多个所述的方法。
本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field-ProgrammaBLE GateArray，FPGA)、集成电路(Integrated Circuit，IC)等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器505中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器505中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器505包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器505中，存储器505可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段，说明书和实施例仅被视为示例性的。
Claims (10)
1.一种智能船舶的油耗预测方法，其特征在于，所述方法包括以下步骤：
获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型；
获取实时船舶数据；
将所述实时船舶数据输入所述船舶工况聚类模型，得到实时工况信息；
根据所述实时工况信息与预置的油耗预测模型选取规则选取与所述实时工况信息对应的所述油耗预测模型；
获取油耗影响数据；
将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据。
2.根据权利要求1所述的一种智能船舶的油耗预测方法，其特征在于，在获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型中，具体包括以下步骤：
对所述船舶监控数据进行预处理，得到工况序列；
提取所述工况序列的潜在特征；
通过聚类算法对所述工况序列进行聚类，将具有相似所述潜在特征的所述工况序列聚集为同一类别，得到所述工况序列的聚类分布，所述聚类分布中的一个聚类代表船舶航行过程中的一种工况；
根据所述聚类分布建立所述船舶工况聚类模型。
3.根据权利要求2所述的一种智能船舶的油耗预测方法，其特征在于，在对所述船舶监控数据进行预处理，得到工况序列中，具体包括以下步骤：
所述船舶监控数据包括有多个类别，通过标准化公式对各类别所述船舶监控数据进行处理，得到各类别所述船舶监控数据的标准船舶监控数据；
根据所述标准船舶监控数据构建所述工况序列。
4.根据权利要求3所述的一种智能船舶的油耗预测方法，其特征在于，在通过标准化公式对各类别所述船舶监控数据进行处理，得到各类别所述船舶监控数据的标准船舶监控数据后，还包括以下步骤：
获取所述船舶监控数据中的船舶油耗率；
分别计算各类别标准船舶监控数据与所述船舶油耗率的相关性系数；
判断所述相关性系数是否位于预设的阈值区间；
若否，则剔除该类别的所述标准船舶监控数据。
5.根据权利要求3所述的一种智能船舶的油耗预测方法，其特征在于，在通过标准化公式对各类别所述船舶监控数据进行处理，得到标准船舶监控数据中，所述标准化公式具体为：
其中，X′为所述标准船舶监控数据；
X为所述船舶监控数据；
μ为一类所述船舶监控数据的均值；
σ为一类所述船舶监控数据的方差。
6.根据权利要求1所述的一种智能船舶的油耗预测方法，其特征在于：
所述油耗预测模型为双注意力机制的循环神经网络。
7.根据权利要求4所述的一种智能船舶的油耗预测方法，其特征在于，在将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据中，具体包括以下步骤：
根据所述油耗影响数据的数据类型将所述油耗影响数据划分为航行数据与环境数据；
将所述航行数据作为第一特征注意力输入所述油耗预测模型，将所述环境数据作为第二特征注意力输入所述油耗预测模型；
将所述船舶油耗率输入所述油耗预测模型，得到所述船舶未来油耗数据。
8.一种基于权利要求1-7任意一项所述的智能船舶的油耗预测方法的系统，所述系统包括以下模块：
工况聚类模型搭建模块(301)，用于获取船舶监控数据并根据所述船舶监控数据建立船舶工况聚类模型；
实时船舶数据获取模块(302)，用于获取实时船舶数据；
实时工况信息生成模块(303)，用于将所述实时船舶数据输入所述船舶工况聚类模型，得到实时工况信息；
油耗预测模型选取模块(304)，用于根据所述实时工况信息与预置的油耗预测模型选取规则选取与所述实时工况信息对应的所述油耗预测模型；
油耗影响数据获取模块(305)，用于获取油耗影响数据；
未来油耗数据预测模块(306)，用于将所述油耗影响数据输入与所述实时工况信息对应的所述油耗预测模型，得到船舶未来油耗数据。
9.一种智能船舶，其特征在于，包括智能船舶船体(400)、设置在所述智能船舶船体(400)上的传感器组(401)以及智能服务端(402)，所述传感器组(401)用于采集所述船舶监控数据，所述智能服务端(402)包括存储器(505)与处理器(501)，所述存储器(505)上存储有能够被处理器(501)加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器(501)加载并执行如权利要求1至7中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757781.8A CN116703001B (zh) | 2023-06-26 | 2023-06-26 | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757781.8A CN116703001B (zh) | 2023-06-26 | 2023-06-26 | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703001A true CN116703001A (zh) | 2023-09-05 |
| CN116703001B CN116703001B (zh) | 2024-05-10 |
Family
ID=87833792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757781.8A Active CN116703001B (zh) | 2023-06-26 | 2023-06-26 | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703001B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787240A (zh) * | 2014-12-24 | 2016-07-20 | 高德软件有限公司 | 一种油耗预测方法及装置 |
| CN106184649A (zh) * | 2016-07-01 | 2016-12-07 | 中船电子科技有限公司 | 一种基于航行特征数据学习的智能航线节油方法 |
| CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
| KR20220126091A (ko) * | 2021-03-08 | 2022-09-15 | 삼성중공업 주식회사 | 선박의 연료 소모량 최소화 제어 방법 |
| CN116108995A (zh) * | 2023-02-13 | 2023-05-12 | 武汉理工大学 | 感潮河段船舶油耗预测方法、装置及电子设备 |
-
2023
- 2023-06-26 CN CN202310757781.8A patent/CN116703001B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787240A (zh) * | 2014-12-24 | 2016-07-20 | 高德软件有限公司 | 一种油耗预测方法及装置 |
| CN106184649A (zh) * | 2016-07-01 | 2016-12-07 | 中船电子科技有限公司 | 一种基于航行特征数据学习的智能航线节油方法 |
| CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
| KR20220126091A (ko) * | 2021-03-08 | 2022-09-15 | 삼성중공업 주식회사 | 선박의 연료 소모량 최소화 제어 방법 |
| CN116108995A (zh) * | 2023-02-13 | 2023-05-12 | 武汉理工大学 | 感潮河段船舶油耗预测方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 薛海龙;: "基于excel VBA的船舶燃油精准化管理软件的算法设计", 武汉船舶职业技术学院学报, no. 05, 25 October 2015 (2015-10-25), pages 17 - 20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703001B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN112307688B (zh) | 一种电力推进船舶能效监控管理优化系统和方法 | |
| CN112287986B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN103760871A (zh) | 一种船舶状态的诊断系统及其诊断方法 | |
| CN112182747A (zh) | 用于船舶波浪增阻性能分析的仿真试验系统及方法 | |
| CN115578546A (zh) | 船舶姿态预测方法、设备、装置及系统 | |
| CN114974306A (zh) | 一种基于深度学习的变压器异常声纹检测识别方法和装置 | |
| CN113436125B (zh) | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 | |
| CN116703001B (zh) | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 | |
| CN116089787B (zh) | 基于层次分析法的船舶子系统运行状态分析方法及系统 | |
| CN105976127B (zh) | 综合电力推进系统风险评估方法及装置 | |
| Gupta et al. | Big data analytics as a tool to monitor hydrodynamic performance of a ship | |
| CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
| CN116127846A (zh) | 一种减摇技术的智能评估方法及系统 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN113627494B (zh) | 一种船舶姿态六自由度系统的姿态数据预处理方法 | |
| CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 | |
| CN116432082B (zh) | 一种船舶故障特征分析方法、系统及存储介质 | |
| CN111897730A (zh) | 城市大脑建设中ai算法评测方法、系统、设备及介质 | |
| CN105550495A (zh) | 一种船舶航行增阻等级的评估方法 | |
| CN111178630A (zh) | 一种负荷预测方法及装置 | |
| CN117454518B (zh) | 一种面向智能应用的船舶总体性能预报应用程序搭建方法 | |
| Chen et al. | Intelligent prediction method for linear wave load based on deep neural network | |
| CN116843051A (zh) | 一种基于数据裁剪的船舶设备剩余使用寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |